scholarly journals Ευφυείς μέθοδοι επεξεργασίας ψηφιακής εικόνας του βασικοκυτταρικού καρκινώματος βλεφάρου

2021 ◽  
Author(s):  
Ευάγγελος-Γεώργιος Χατζόπουλος
Keyword(s):  
Neural Networks ◽  
Fuzzy Logic ◽  
Deep Learning ◽  
Probabilistic Methods

Το βασικοκυτταρικό καρκίνωμα (ΒΚΚ) ορίζεται ως ένας αργά αναπτυσσόμενος, τοπικά επεκτεινόμενος, κακοήθης επιδερμικός όγκος. Αποτελεί το συχνότερο τύπο καρκίνου του δέρματος, καθώς πάνω από το 70% των περιστατικών σχετίζονται με αυτόν. Μάλιστα, το 90% των βασικοκυτταρικών καρκινωμάτων αφορούν την περιοχή της κεφαλής και του τραχήλου, ενώ το 10% των περιπτώσεων εμφανίζεται στα βλέφαρα, γεγονός που επιβεβαιώνει την σχέση μεταξύ των βασικοκκυταρικών καρκινωμάτων και της έκθεσης στον ήλιο.Η αποτελεσματική θεραπεία του ΒΚΚ της περιοφθαλμικής χώρας επιτυγχάνεται με ποικίλες μεθόδους και εξαρτάται τόσο από τα χαρακτηριστικά του βασικοκυτταρικού καρκινώματος όσο και από τον ίδιο τον ασθενή. Ανάλογα με το μέγεθος, τον τοπογραφικό εντοπισμό του όγκου, την ηλικία και τη γενική κατάσταση της υγείας του ασθενούς, υπάρχει μια μεγάλη ποικιλία από προσεγγίσεις με στόχο την επανόρθωση του βλεφαρικού ελλείματος. Φυσικά, για την αποκατάσταση της λειτουργικής ανατομίας της περικογχικής περιοχής κρίνεται επιβεβλημένη η κατανόηση των αρχών επιδιόρθωσης των βλεφαρικών όγκων. Η κατάλληλη θεραπεία ενδέχεται να συνίσταται είτε στην χειρουργική εκτομή του όγκου, είτε στην επανόρθωση της βλάβης μέσω μη χειρουργικών διαδικασιών, με τη χρήση μοντέρνων τεχνολογιών όπως την αφαιρετική κρυοθεραπεία και την φωτοδυναμική θεραπεία. Ακόμη, είναι εφικτή η χρήση σύγχρονων φαρμακευτικών σκευασμάτων όπως της κρέμας ιμικουιμόδης 5% αλλά και η χρήση πολλαπλών επεμβάσεων με στόχο την επισκευή των βλεφαρικών ελλειμάτων.12Για την επιλογή της καταλληλότερης θεραπευτικής τεχνικής, είναι απαραίτητη η κατηγοριοποίηση των όγκων σε συγκεκριμένες κατηγορίες ανάλογα με τα χαρακτηριστικά τους και ο ενδελεχής κλινικός έλεγχος του ασθενούς. Η ισορρόπηση των τεχνικών για την αφαίρεση του όγκου, συνδυαστικά με τη λειτουργικότητα της περιοχής που έχει χειρουργηθεί και την κοσμητική επανόρθωση της βλάβης καθιστούν επιτυχημένη τη θεραπευτική προσέγγιση που έχει εφαρμοστεί. Ενώ λοιπόν, υπάρχει πληθώρα επεμβατικών και μη επεμβατικών τεχνικών με στόχο την αποκατάσταση των βασικοκυτταρικών καρκινωμάτων στο βλέφαρο, η εκλογή της καταλληλότερης μεθόδου που θα οδηγήσει στην θεραπεία αποτελεί μια πολύπλοκη διαδικασία. Για το σκοπό αυτό δημιουργήθηκε ένας σύγχρονος, συστηματικοποιημένος αλγόριθμός σχετικά με την αφαίρεση και επανόρθωση των βασικοκυταρικών καρκινωμάτων των βλεφάρων. Συνολικά η μέθοδος επιλογής θα εξαρτηθεί από έναν συνδυασμό παραγόντων όπως το μέγεθος, τη θέση του όγκου, τις αισθητικές προεκτάσεις της κάθε είδους παρέμβασης, τα ιδιαίτερα χαρακτηριστικά του κάθε ασθενούς αλλά και το προσδόκιμο επιβίωσής του, τη διαθεσιμότητα του εξοπλισμού την ιστοπαθολογία της κάθε βλάβης και την εμπειρία του χειρουργού στην εφαρμογή των τεχνικών αυτών. Ένα άλλο πολύ μεγάλο ζήτημα στο βασικοκυτταρικό καρκίνωμα είναι ο έγκαιρος και έγκυρος εντοπισμός του. Αναφερόμενοι στο βασικοκυτταρικό καρκίνωμα ουσιαστικά, γίνεται λόγος για έναν αργά αναπτυσσόμενο, τοπικά επεκτεινόμενο, κακοήθη επιδερμικό όγκο του δέρματος ο οποίος προσβάλλει κυρίως άτομα της καυκάσιας φυλής (Telferetal, 1999). Οι τρόποι με τους οποίους μπορεί να εμφανιστεί το βασικοκυτταρικό καρκίνωμα στον άνθρωπο είναι 8 (οκτώ). Επειδή υπάρχουν τόσες πολλές κατηγορίες βασικοκυτταρικού καρκινώματος, ο εντοπισμός και η κατηγοριοποίηση του βασικοκυτταρικού καρκινώματος, είναι δύσκολη και εξαρτάται από πάρα πολλούς παράγοντες. Για το λόγο αυτό πλέον γίνεται χρήση (όπως και σε πολλούς τομείς της ιατρικής για διάγνωση) για δημιουργία ενός ευφυούς συστήματος τεχνητής νοημοσύνης ώστε να μπορεί να ξεχωρίσει τις περιπτώσεις που κάνει την εμφάνισή του το βασικοκυτταρικό καρκίνωμα, ώστε να ληφθούν τα απαραίτητα μέτρα. 13Στον τομέα της διάγνωσης εδώ και αρκετά χρόνια χρησιμοποιούνται στην ιατρική, όπως και σε άλλες επιστήμες (για τη στήριξη αποφάσεων), συστήματα τεχνητής νοημοσύνης και ευφυή συστήματα τα οποία μπορούν να βοηθήσουν τους ιατρούς στη λήψη αποφάσεων και να επιβεβαιώσουν ή να βοηθήσουν την έγκαιρη και έγκυρη διάγνωση.Οι προσπάθειες που έχουν γίνει στον τομέα της τεχνητής νοημοσύνης είναι αρκετά μεγάλες. Τα παλαιότερα χρόνια γινόταν χρήση συστημάτων τεχνητής νοημοσύνης τα οποία χρειαζόταν να εκπαιδευτούν με επίβλεψη. Δηλαδή, χρειαζόταν κάποιος τεχνικός ή ειδήμων επί του θέματος ώστε να παρακολουθεί την εκπαίδευση του συστήματος τεχνητής νοημοσύνης και να αναπροσδιορίζει την εκπαίδευση όπου χρειάζεται ώστε να μπορούν να παραχθούν τα ανάλογα - σωστά αποτελέσματα.Για τη δημιουργία συστημάτων τεχνητής νοημοσύνης, χρησιμοποιείται ένα μεγάλο εύρος εργαλείων όπως αλγόριθμοι εύρεσης και βελτιστοποίησης, λογική και ασαφής λογική (fuzzy logic), μέθοδοι πιθανοτήτων (Probabilistic methods) καθώς και Νευρωνικά Δίκτυα (Neural Networks) και Νευρωνικά Δίκτυα Βαθιάς Γνώσης (Deep Learning Neural Networks). Στόχος της εργασίας αυτής είναι η ανάπτυξη ευφυούς συστήματος για την αναγνώριση ενός βασικοκυτταρικού καρκινώματος από μια φωτογραφία, ώστε να βοηθήσει στην έγκυρη και έγκαιρη διάγνωση της ύπαρξης βασικοκυτταρικού καρκινώματος τους ιατρούς. Για να επιτευχθεί αυτό χρησιμοποιήθηκαν Νευρωνικά Δίκτυα όπως και Νευρωνικά Δίκτυα Βαθιάς Γνώσης.Για να εκπαιδευτεί ένα Νευρωνικό Δίκτυο χρειάζεται την επίβλεψη ενός ειδικού ο οποίος θα βοηθήσει το Νευρωνικό Δίκτυο να πάρει τις σωστές αποφάσεις ώστε με δεδομένο μια είσοδο (μια φωτογραφία για παράδειγμα) να παράγει την κατάλληλη έξοδο (το αποτέλεσμα ότι υπάρχει ή δεν υπάρχει παθογένεια για παράδειγμα). Το πρόβλημα με αυτό τον τύπο δικτύου είναι ότι εξαρτάται σε πολύ μεγάλο βαθμό από 14την καταλληλότητα του ατόμου που θα είναι υπεύθυνο για την εκπαίδευσή του και το γεγονός ότι μπορεί να μην είναι αμερόληπτο και αντικειμενικό αυτό το άτομο (ανθρώπινος παράγοντας). Υπό κάποιες συνθήκες μπορεί να εκπαιδευτεί αυτόματα και αυτόνομα το Νευρωνικό Δίκτυο, αλλά υπάρχουν πολλές πιθανότητες να οδηγηθεί σε λάθος προβλέψεις και συμπεράσματα.Για να εκπαιδευτεί ένα Νευρωνικό Δίκτυο Βαθιάς Γνώσης δεν απαιτείται η επίβλεψη από κάποιον ειδικό. Το μόνο που χρειάζεται είναι μεγάλο αριθμό δειγμάτων για είσοδο (φωτογραφίες για παράδειγμα). Από εκεί και πέρα οργανώνεται σε πολλά επίπεδα τα οποία με κατάλληλο συνδυασμό πράξεων και υπολογισμών καταλήγουν στο αναμενόμενο αποτέλεσμα. Η μεγάλη δυσκολία στα Νευρωνικά Δίκτυα Βαθιάς Γνώσης είναι η εύρεση του μεγάλου πλήθους δειγμάτων όπως και η απομόνωση εξωτερικών παραγόντων που μπορούν να αλλοιώσουν το αποτέλεσμα (όπως οι πληροφορίες του υποβάθρου ή άσχετων στοιχείων πέραν του προσώπου για παράδειγμα).Στην εργασία αυτή χρησιμοποιήθηκαν τόσο Νευρωνικά Δίκτυα όσο και Νευρωνικά Δίκτυα Βαθιάς Γνώσης και γίνεται και σύγκριση των αποτελεσμάτων που παράγουν αυτά όπως επίσης και του τρόπου που λειτουργούν καθώς και του χρόνου που απαιτείται για να εκπαιδευτούν.15

Design of Fuzzy Logic Controller and its Distinctive Feature

2018 ◽  
Vol 22 (5) ◽  
pp. 740-746
Author(s):  
Takeshi Yamakawa ◽  
Keyword(s):  
Artificial Intelligence ◽  
Neural Networks ◽  
Fuzzy Logic ◽  
Deep Learning ◽  
Fuzzy Logic Control ◽  
Fuzzy Logic Controller ◽  
Linguistic Terms ◽  
New Approach ◽  
Distinctive Features ◽  
Logic Control

Prof. Lotfi A. Zadeh, who created a new approach to describe a knowledge of a human expert with a natural language, passed away on September 6, 2017. His significant accomplishment was to create a novel artificial intelligence (AI) which exhibits the knowledge of human experts in natural linguistic terms. This system is structured and clear in two points of why a result is obtained and how it is done. The system contrasts with AI systems based on neural networks or deep learning. In this paper, the design of a fuzzy logic controller and its application to controlling of the mouse-platform stabilization are described. In addition, the distinctive features of fuzzy logic control are discussed. The author wants to offer this paper on the altar of Prof. Zadeh.

Levenshtein Augmentation Improves Performance of SMILES Based Deep-Learning Synthesis Prediction

2020 ◽  
Author(s):  
Dean Sumner ◽  
Jiazhen He ◽  
Amol Thakkar ◽  
Ola Engkvist ◽  
Esben Jannik Bjerrum
Keyword(s):  
Neural Networks ◽  
Pattern Recognition ◽  
Deep Learning ◽  
Recurrent Neural Networks ◽  
Data Augmentation ◽  
State Of The Art ◽  
Sequence Similarity ◽  
Learning Models ◽  
Underlying Network

<p>SMILES randomization, a form of data augmentation, has previously been shown to increase the performance of deep learning models compared to non-augmented baselines. Here, we propose a novel data augmentation method we call “Levenshtein augmentation” which considers local SMILES sub-sequence similarity between reactants and their respective products when creating training pairs. The performance of Levenshtein augmentation was tested using two state of the art models - transformer and sequence-to-sequence based recurrent neural networks with attention. Levenshtein augmentation demonstrated an increase performance over non-augmented, and conventionally SMILES randomization augmented data when used for training of baseline models. Furthermore, Levenshtein augmentation seemingly results in what we define as <i>attentional gain </i>– an enhancement in the pattern recognition capabilities of the underlying network to molecular motifs.</p>

Comparative analysis of intelligent planning methods

2012 ◽  
Vol 9 (2) ◽  
pp. 53-57 ◽  
Author(s):  
O.V. Darintsev ◽  
A.B. Migranov
Keyword(s):  
Neural Networks ◽  
Genetic Algorithms ◽  
Fuzzy Logic ◽  
Comparative Analysis ◽  
Mobile Robots ◽  
Sensory Information ◽  
Working Environment ◽  
Planning Methods ◽  
Intelligent Planning

The main stages of solving the problem of planning movements by mobile robots in a non-stationary working environment based on neural networks, genetic algorithms and fuzzy logic are considered. The features common to the considered intellectual algorithms are singled out and their comparative analysis is carried out. Recommendations are given on the use of this or that method depending on the type of problem being solved and the requirements for the speed of the algorithm, the quality of the trajectory, the availability (volume) of sensory information, etc.

Withdrawn: Diabetes Mellitus Prognosis Using Fuzzy Logic and Neural Networks Case Study: Alexandria Vascular Center (AVC)

2019 ◽  
Vol 13 ◽  
Author(s):  
Abeer A. Amer ◽  
Soha M. Ismail
Keyword(s):  
Diabetes Mellitus ◽  
Neural Networks ◽  
Fuzzy Logic ◽  
Computer Science ◽  
Recent Advances ◽  
Vascular Center ◽  
Copyright Permission ◽  
Legal Right

The following article has been withdrawn on the request of the author of the journal Recent Advances in Computer Science and Communications (Recent Patents on Computer Science): Title: Diabetes Mellitus Prognosis Using Fuzzy Logic and Neural Networks Case Study: Alexandria Vascular Center (AVC) Authors: Abeer A. Amer and Soha M. Ismail* Bentham Science apologizes to the readers of the journal for any inconvenience this may cause BENTHAM SCIENCE DISCLAIMER: It is a condition of publication that manuscripts submitted to this journal have not been published and will not be simultaneously submitted or published elsewhere. Furthermore, any data, illustration, structure or table that has been published elsewhere must be reported, and copyright permission for reproduction must be obtained. Plagiarism is strictly forbidden, and by submitting the article for publication the authors agree that the publishers have the legal right to take appropriate action against the authors, if plagiarism or fabricated information is discovered. By submitting a manuscript, the authors agree that the copyright of their article is transferred to the publishers if and when the article is accepted for publication.

scholarly journals Deep convolutional neural networks for cardiovascular vulnerable plaque detection

2019 ◽  
Vol 277 ◽  
pp. 02024 ◽  
Author(s):  
Lincan Li ◽  
Tong Jia ◽  
Tianqi Meng ◽  
Yizhe Liu
Keyword(s):  
Neural Networks ◽  
Deep Learning ◽  
Convolutional Neural Networks ◽  
Vulnerable Plaque ◽  
Recall Rate ◽  
Superior Performance ◽  
Learning Approaches ◽  
Deep Convolutional Neural Networks ◽  
Vulnerable Plaques ◽  
Plaque Detection

In this paper, an accurate two-stage deep learning method is proposed to detect vulnerable plaques in ultrasonic images of cardiovascular. Firstly, a Fully Convonutional Neural Network (FCN) named U-Net is used to segment the original Intravascular Optical Coherence Tomography (IVOCT) cardiovascular images. We experiment on different threshold values to find the best threshold for removing noise and background in the original images. Secondly, a modified Faster RCNN is adopted to do precise detection. The modified Faster R-CNN utilize six-scale anchors (122,162,322,642,1282,2562) instead of the conventional one scale or three scale approaches. First, we present three problems in cardiovascular vulnerable plaque diagnosis, then we demonstrate how our method solve these problems. The proposed method in this paper apply deep convolutional neural networks to the whole diagnostic procedure. Test results show the Recall rate, Precision rate, IoU (Intersection-over-Union) rate and Total score are 0.94, 0.885, 0.913 and 0.913 respectively, higher than the 1st team of CCCV2017 Cardiovascular OCT Vulnerable Plaque Detection Challenge. AP of the designed Faster RCNN is 83.4%, higher than conventional approaches which use one-scale or three-scale anchors. These results demonstrate the superior performance of our proposed method and the power of deep learning approaches in diagnose cardiovascular vulnerable plaques.

scholarly journals Automatic Detection of Arrhythmia Based on Multi-Resolution Representation of ECG Signal

Sensors ◽  
2020 ◽  
Vol 20 (6) ◽  
pp. 1579
Author(s):  
Dongqi Wang ◽  
Qinghua Meng ◽  
Dongming Chen ◽  
Hupo Zhang ◽  
Lisheng Xu
Keyword(s):  
Neural Networks ◽  
Deep Learning ◽  
Deep Neural Networks ◽  
Channel Model ◽  
Expert Knowledge ◽  
Automatic Detection ◽  
Data Representation ◽  
Learning Technology ◽  
Arrhythmia Detection ◽  
Automatic Feature Extraction

Automatic detection of arrhythmia is of great significance for early prevention and diagnosis of cardiovascular disease. Traditional feature engineering methods based on expert knowledge lack multidimensional and multi-view information abstraction and data representation ability, so the traditional research on pattern recognition of arrhythmia detection cannot achieve satisfactory results. Recently, with the increase of deep learning technology, automatic feature extraction of ECG data based on deep neural networks has been widely discussed. In order to utilize the complementary strength between different schemes, in this paper, we propose an arrhythmia detection method based on the multi-resolution representation (MRR) of ECG signals. This method utilizes four different up to date deep neural networks as four channel models for ECG vector representations learning. The deep learning based representations, together with hand-crafted features of ECG, forms the MRR, which is the input of the downstream classification strategy. The experimental results of big ECG dataset multi-label classification confirm that the F1 score of the proposed method is 0.9238, which is 1.31%, 0.62%, 1.18% and 0.6% higher than that of each channel model. From the perspective of architecture, this proposed method is highly scalable and can be employed as an example for arrhythmia recognition.

scholarly journals Deep Malaria Parasite Detection in Thin Blood Smear Microscopic Images

2021 ◽  
Vol 11 (5) ◽  
pp. 2284
Author(s):  
Asma Maqsood ◽  
Muhammad Shahid Farid ◽  
Muhammad Hassan Khan ◽  
Marcin Grzegorzek
Keyword(s):  
Neural Networks ◽  
Deep Learning ◽  
Red Blood Cells ◽  
Convolutional Neural Networks ◽  
Blood Cells ◽  
Superior Performance ◽  
Learning Models ◽  
Infected Female ◽  
The World ◽  
Augmentation Techniques

Malaria is a disease activated by a type of microscopic parasite transmitted from infected female mosquito bites to humans. Malaria is a fatal disease that is endemic in many regions of the world. Quick diagnosis of this disease will be very valuable for patients, as traditional methods require tedious work for its detection. Recently, some automated methods have been proposed that exploit hand-crafted feature extraction techniques however, their accuracies are not reliable. Deep learning approaches modernize the world with their superior performance. Convolutional Neural Networks (CNN) are vastly scalable for image classification tasks that extract features through hidden layers of the model without any handcrafting. The detection of malaria-infected red blood cells from segmented microscopic blood images using convolutional neural networks can assist in quick diagnosis, and this will be useful for regions with fewer healthcare experts. The contributions of this paper are two-fold. First, we evaluate the performance of different existing deep learning models for efficient malaria detection. Second, we propose a customized CNN model that outperforms all observed deep learning models. It exploits the bilateral filtering and image augmentation techniques for highlighting features of red blood cells before training the model. Due to image augmentation techniques, the customized CNN model is generalized and avoids over-fitting. All experimental evaluations are performed on the benchmark NIH Malaria Dataset, and the results reveal that the proposed algorithm is 96.82% accurate in detecting malaria from the microscopic blood smears.

Sign in / Sign up

Export Citation Format

Share Document